Deep Dive18 min·Maart 2026

    Lead scoring met AI in Pipedrive: de complete gids

    Hoe je in Pipedrive een lead scoring bouwt die zichzelf bijstelt, en waarom scoring op vaste regels bijna altijd stukloopt

    TL;DR

    Deze gids legt uit hoe je lead scoring met AI inricht in Pipedrive, met Make.com, custom fields en een AI-model erachter. Hij behandelt waarom scoring op vaste regels bij de meeste B2B-bedrijven stukloopt, hoe je een model bouwt dat meebeweegt met je eigen pijplijndata, en hoe je die koppeling technisch legt. Geschreven door Sales Surge, Pipedrive Platinum Partner met ruim 150+ implementaties achter de rug.

    Belangrijkste Punten

    • Scoring op vaste regels mist een groot deel van de signalen die er echt toe doen
    • Custom fields in Pipedrive, Make.com en een AI-model vormen samen een scoring die zichzelf bijstelt
    • Ai voor verkoopoptimalisatie betekent hier gewoon dat je verkopers bovenaan beginnen en per week uren minder kwijt zijn aan leads die toch niet tekenen
    • Een bruikbaar model combineert gedrag, firmografie en betrokkenheid, niet één van de drie
    • Bouwen kost 2 tot 3 weken met een pipedrive partner die het vaker heeft gedaan, geen maanden
    • Zonder schone data in je CRM werkt dit niet, hoe goed het model ook is

    De meeste B2B-bedrijven scoren hun leads op gevoel of in een sheet. Sommigen hebben een puntensysteem. Bijna niemand zet er AI achter. Het gevolg is dat verkopers een groot deel van hun week besteden aan leads die nooit gaan tekenen. Deze gids laat zien hoe je in Pipedrive een scoring bouwt die leert van je eigen pijplijn. Dus ook wanneer je er beter nog niet aan begint, want zonder schone data levert dit niets op.

    Waarom scoring op vaste regels stukloopt

    De ongemakkelijke kant van een puntensysteem

    Vaste regels bewegen niet mee

    Een model dat je in het eerste kwartaal op aannames bouwt, klopt in het derde kwartaal niet meer. De markt schuift, kopers gedragen zich anders en je ICP verandert. Vaste regels lopen daar altijd achteraan.

    Te weinig datapunten

    De meeste modellen draaien op drie tot vijf criteria: bedrijfsgrootte, branche, functietitel. De signalen die er echt toe doen zijn hoe iemand op je mail reageert, wat hij op je site bekijkt, hoe snel hij terugmailt en hoe snel de deal beweegt.

    Er zit geen terugkoppeling in

    Wordt een warme lead koud, of tekent een koude lead alsnog, dan leert een vast model daar niets van. Zonder terugkoppeling wordt je scoring elk kwartaal een beetje minder accuraat.

    Sales gebruikt het niet

    Klopt de score niet met wat verkopers zelf zien, dan vertrouwen ze hem binnen een paar weken niet meer. Daarna staat de hele investering stil in een veld waar niemand naar kijkt.

    Hoe de scoring in Pipedrive is opgebouwd

    Vier lagen die op elkaar leunen

    Laag 1: data verzamelen in Pipedrive

    Custom fields leggen de firmografie vast, dus bedrijfsgrootte, branche en omzet. Daarnaast het gedrag: geopende mail, aangeklikte links, meetings die doorgingen. En de betrokkenheid: reactietijd en aantal contactmomenten. Elke interactie wordt een datapunt.

    • Maak 8 tot 12 custom fields voor de invoer van je scoring
    • Gebruik de activiteiten in Pipedrive als bron voor gedrag
    • Haal bezoekersdata binnen via webhooks in Make.com
    • Volg mailgedrag via de mailkoppeling van Pipedrive

    Laag 2: Make.com ertussen

    Scenario's in Make.com gaan af bij elke wijziging in Pipedrive: een nieuwe deal, een gelogde activiteit, een geopende mail. Elke trigger stuurt het profiel van de lead naar het model en schrijft de uitkomst terug in Pipedrive.

    • Webhooks op wijzigingen aan deals en personen
    • Data gelijktrekken en aanvullen via Apollo.io
    • De aanroep naar het model met een vaste, gestructureerde prompt
    • De score terugschrijven naar het custom field

    Laag 3: het model dat scoort

    Het model kijkt naar meer dan vijftien signalen per lead en geeft een score tussen 0 en 100 terug, met hoe zeker het daarvan is en waarom. Het ijkt zichzelf op je eigen gewonnen en verloren deals.

    • Fit op je ICP
    • Intentie uit gedrag en betrokkenheid
    • Timing, dus signalen over urgentie en budget
    • Eén gewogen score, met de marge erbij

    Laag 4: wat er daarna gebeurt

    Op de score hangen de automatiseringen in Pipedrive. Een hoge score geeft meteen een melding, een middenscore gaat de opvolging in, en een lage score zakt naar achteren in de lijst. Zo kun je leadopvolging automatiseren zonder dat iemand elke ochtend een lijstje moet sorteren.

    • Score 80 tot 100: meteen een melding in Slack en direct toegewezen
    • Score 50 tot 79: in de nurture sequence via Instantly.ai
    • Score 25 tot 49: elke maand een keer aantikken
    • Score 0 tot 24: archiveren, met een trigger om later terug te komen

    Stap voor stap bouwen

    Van niets naar een werkende scoring in drie weken

    Week 1

    Fundament en datamodel

    • De bestaande velden in Pipedrive en de kwaliteit van je data doorlopen
    • 12 tot 15 criteria vastleggen op basis van deals die je echt hebt gewonnen
    • De custom fields aanmaken waar de scoring op draait
    • Apollo.io aanzetten om ontbrekende firmografie aan te vullen
    • De eerste weging opstellen op je laatste 50 gewonnen deals
    Week 2

    Model en koppeling met Make.com

    • De scenario's in Make.com inrichten op de triggers uit Pipedrive
    • De prompt schrijven met jouw ICP erin
    • IJken op 20 oude leads, tien gewonnen en tien verloren
    • De score laten terugschrijven naar de custom fields
    • De automatiseringen in Pipedrive bouwen die op de score reageren
    Week 3

    Live en de terugkoppeling erin

    • De scoring aanzetten op alle nieuwe leads
    • Het salesteam uitleggen wat een score betekent en wat je ermee doet
    • Een dashboard inrichten om wekelijks de accuratesse te zien
    • De terugkoppeling aanzetten: klopte deze voorspelling wel of niet
    • Het model vastleggen op papier, zodat het team het kan nalezen

    Wat je hierna bijhoudt

    MetricTargetDescription
    Accuratesse van de scoreboven 75% na 30 dagenHet deel van de hoog gescoorde leads dat ook echt converteert
    Tijd aan leads die niets wordenflink omlaag binnen 60 dagenUren die verkopers besteden aan leads die onder de 30 scoren
    Reactietijd op een leadonder 5 minuten bij 80 of hogerDe tijd tussen het ontstaan van de lead en het eerste contact
    Conversie van gescoorde leadshoger dan je eigen nulmetingWin rate op gescoorde leads naast je cijfers van voor de bouw
    Lengte van de sales cyclekorter bij 70 of hogerDagen tussen eerste contact en gewonnen deal bij hoog gescoorde leads

    Waarom dit bij de meeste bedrijven misgaat

    En hoe je er langs komt

    Beginnen met AI voordat de data klopt

    Maak eerst je Pipedrive schoon. Een model kan niets zinnigs zeggen als dertig procent van je veld bedrijfsgrootte leeg is. Schone data wint het van een slim model.

    Het model te ingewikkeld maken

    Begin met vijf tot zeven signalen, niet met dertig. Een simpel model op schone data verslaat een complex model op rommel. Signalen toevoegen kan altijd nog.

    Sales er niet bij betrekken

    Je beste verkopers weten precies welke signalen ertoe doen. Ga eerst met ze zitten. Vertrouwen ze het model niet, dan gebruiken ze het ook niet.

    Geen manier om terug te koppelen

    Bouw een simpele knop in Pipedrive waarmee iemand aangeeft of de score klopte. Zonder die knop kan het model niet beter worden.

    Alleen scoren bij het aanmaken

    De kwaliteit van een lead verandert onderweg. Score opnieuw bij elke echte interactie: een antwoord op je mail, een geboekte meeting, een bekeken voorstel.

    Veelgestelde vragen

    Woordenlijst

    Lead Scoring
    Leads rangschikken op de kans dat ze converteren, met criteria waarop je kunt sturen in plaats van op gevoel.
    ICP (ideaal klantprofiel)
    Een beschrijving van de klant waar je het beste bij past, op firmografie, gedrag en wat hij belangrijk vindt.
    Firmografische data
    Kenmerken van een bedrijf zoals grootte, branche, omzet en locatie, waarmee je de fit van een lead beoordeelt.
    Gedragssignalen
    Wat een lead doet: mail openen, pagina's bekijken, iets downloaden. Samen zeggen die dingen iets over koopintentie.
    Make.com
    Een automatiseringsplatform zonder code dat tools aan elkaar knoopt. Hier draait de logica tussen Pipedrive en het model erop.
    Custom fields
    Zelf toegevoegde velden in Pipedrive, bovenop het standaardmodel, waar de invoer en de uitkomst van de scoring in staan.
    Feedback loop
    De route waarlangs een goede of foute voorspelling teruggaat naar het model, zodat het de volgende keer scherper is.
    Deal velocity
    Hoe snel deals door je stages bewegen. Een goede indicator voor de kwaliteit van je leads en je proces.
    Betrouwbaarheidsinterval
    De marge die aangeeft hoe zeker het model van zijn score is, zodat een verkoper weet hoeveel hij eraan mag ophangen.
    Score verval
    Het langzaam zakken van een score als er een tijd geen contact of activiteit meer is geweest.
    Apollo.io
    Een platform voor B2B-data en verrijking, hier gebruikt om ontbrekende firmografie in Pipedrive aan te vullen.
    Instantly.ai
    Een cold email platform dat aan Pipedrive hangt, hier gebruikt voor de opvolging op basis van de score.

    Citaties & Bronnen

    De volgende bronnen zijn geraadpleegd bij het maken van dit artikel. Links gemarkeerd met vereisen bevestiging voor publicatie.

    Officiële Partners

    Klik op een badge om je aan te melden bij onze partners:

    Wil je dit in je eigen Pipedrive?

    Plan een gesprek waarin we je pijplijndata doorlopen en je een opzet voor je scoring meegeeft. Wil je de bouw daarna uitbesteden, dan kan dat, maar met deze gids kom je ook zelf een eind.